MétaCan
Menu
Retour à la cohorte
Enregistrement W2794119346 · doi:10.5897/jdae2017.0841

Use of a warrantage system to face rural poverty and hunger in the semi-arid area of Burkina Faso

2018· article· en· W2794119346 sur OpenAlexafffund
Ouattara Badiori, Jean Baptiste Taonda Sibiri, Traore Arahama, Idriss Sermé, François Lompo, Peak Derek, P. Sedogo Michel, Bationo Andre

Notice bibliographique

RevueJournal of Development and Agricultural Economics · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesInternational Development Research CentreAlliance for a Green Revolution in AfricaUniversity of Saskatchewan
Mots-clésLivelihoodPovertyBusinessAgricultureAgricultural economicsAgricultural productivityProductivityEconomic growthSocioeconomicsEconomicsGeography

Résumé

récupéré en direct d'OpenAlex

It is widely believed that limited access of small scale farmers to agricultural credit is one of the key causes of rural poverty and a major constraint to adoption of innovations in Sub-Saharan Africa. Since the early 1960s, many strategies to access agricultural credits have been implemented with success. This study assessed the effects of warrantage, a community-based micro credit system, on poor small resource farmers’ income and livelihoods of the semi-arid area of Burkina Faso. Two broad socio economic surveys were conducted among 1040 farmers and 440 household heads. Data were collected from 58 inventory credit warehouses and 36 input shops established in the study areas. The results showed that the warrantage system is dominated by women farmers (who produce 60% of the stored harvests) and appears as the main source of agricultural credit.  The profit (up to 140%) provided allows farmers to purchase external inputs such as inorganic fertilizers. This resulted in higher crop productivity and a substantial increase of farmers’ income which in turn improve farmers’ livelihood.   Key words: Inventory credit system, mineral fertilizer, staple crop production, small farmers.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,648
Score d'incertitude au seuil0,194

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,209
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Development and Agricultural EconomicsMême sujetAgriculture and Rural Development ResearchTravaux en français237 207